다중시작 전략으로 로컬 탐색 알고리즘의 효율을 극대화하는 방법

본 논문은 로컬 탐색(Local Search) 알고리즘이 전역 최적을 찾지 못하고 지역 최적에 머무르는 전형적인 문제를 해결하기 위해, 다중 인스턴스를 동시에 실행하고 각 인스턴스에 동적으로 연산 자원을 할당하는 새로운 다중시작 전략을 제안한다. 먼저, 기존 연구들을 살펴보면 다중시작 전략은 크게 두 갈래로 나뉜다. 하나는 단순히 일정 간격으로 새로운 인스턴스를 시작하고, 다른 하나는 탐색‑활용 균형을 맞추기 위해 밴딧 이론이나 극값 분포 모델을 이용해 인스턴스를 선택한다. 그러나 이러한 방법들은 대부분 휴리스틱에 의존하거나, 인스턴스 간 보상이 독립·동일분포(i.i.d.)라는 가정을 필요로 하여 실제 상황에 적용하기 어려운 점이 있다. 이에 저자들은 두 가지 핵심 아이디어를 도입한다. 첫 번째는 로컬 탐색 알고리즘이 보이는 수렴 속도를 “f(t) ≈ f* – C·t⁻α” 형태로 모델링하고, 여기서 C는 미지의 상수이며 α는 알고리즘 고유의 수렴 지수라고 가정한다는 점이다. 두 번째는 이 모델을 이용해 각 인스턴스가 현재까지 관측한 최적값과 남은 평가 횟수에 기반해 가능한 C의 구간을 추정하고, 그 구간에 대해 가장 낙관적인 최종 최적값 상한을 계산한다는 것이다. 이 과정은 DIRECT 알고리즘이 사각형의 크기에 따라 전역 최적 상한을 추정하는 방식과 직접적인 유사성을 가진다. 전략은 크게 두 단계로 구성된다. 1. **선택 메커니즘(Selection Mechanism)**: 고정된 N개의 인스턴스가 존재할 때, 각 인스턴스 i에 대해 현재까지 얻은 최적값 f_i와 추정된 C 구간